سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات158
تعداد شماره‌ها6,230
تعداد مقالات67,764
تعداد مشاهده مقاله115,193,172
تعداد دریافت فایل اصل مقاله89,941,359
نیسانی سامانی, زینب, آل شیخ, علی اصغر, نیسانی سامانی, نجمه. (1400). تحلیل عدم قطعیت ریسک مخاطرۀ آتش‌سوزی جنگل مبتنی بر نظریۀ شهود دمپستر- شافر (مطالعۀ موردی: بخشی از جنگل‌های کرمانشاه). , 8(4), 413-430. doi: 10.22059/jhsci.2022.334588.690
زینب نیسانی سامانی; علی اصغر آل شیخ; نجمه نیسانی سامانی. "تحلیل عدم قطعیت ریسک مخاطرۀ آتش‌سوزی جنگل مبتنی بر نظریۀ شهود دمپستر- شافر (مطالعۀ موردی: بخشی از جنگل‌های کرمانشاه)". , 8, 4, 1400, 413-430. doi: 10.22059/jhsci.2022.334588.690
نیسانی سامانی, زینب, آل شیخ, علی اصغر, نیسانی سامانی, نجمه. (1400). 'تحلیل عدم قطعیت ریسک مخاطرۀ آتش‌سوزی جنگل مبتنی بر نظریۀ شهود دمپستر- شافر (مطالعۀ موردی: بخشی از جنگل‌های کرمانشاه)', , 8(4), pp. 413-430. doi: 10.22059/jhsci.2022.334588.690
نیسانی سامانی, زینب, آل شیخ, علی اصغر, نیسانی سامانی, نجمه. تحلیل عدم قطعیت ریسک مخاطرۀ آتش‌سوزی جنگل مبتنی بر نظریۀ شهود دمپستر- شافر (مطالعۀ موردی: بخشی از جنگل‌های کرمانشاه). , 1400; 8(4): 413-430. doi: 10.22059/jhsci.2022.334588.690

تحلیل عدم قطعیت ریسک مخاطرۀ آتش‌سوزی جنگل مبتنی بر نظریۀ شهود دمپستر- شافر (مطالعۀ موردی: بخشی از جنگل‌های کرمانشاه)

مدیریت مخاطرات محیطی
مقاله 6، دوره 8، شماره 4، دی 1400، صفحه 413-430    اصل مقاله (1.34 M)
نوع مقاله: پژوهشی کاربردی
شناسه دیجیتال (DOI): 10.22059/jhsci.2022.334588.690
نویسندگان
زینب نیسانی سامانی1؛ علی اصغر آل شیخ* 2؛ نجمه نیسانی سامانی3
1دانشجوی دکتری GIS، دانشکدۀ مهندسی نقشه‌برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی؛ تهران، ایران
2گروه GIS ، دانشکده مهندسی نقشه برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران
3دانشیار دانشکدۀ جغرافیا، دانشگاه تهران؛ تهران، ایران
چکیده
آتش‌سوزی جنگل‌ها از مخاطرات مهمی است که ممکن است عامل انسانی یا غیرانسانی داشته باشد و موجب مشکلات زیادی در چرخۀ اکوسیستم، تخریب زیرساخت‌های جنگل، فرسایش خاک و از بین رفتن حیات بسیاری از موجودات زنده شود. یکی از راه‌های مدیریت آتش‌سوزی جنگل و کاهش تأثیرات مخرب آن، پیش‌بینی خطر در مناطق مستعد آتش‌سوزی است. به این منظور تهیة نقشة پهنه‌بندی خطر آتش‌سوزی در جنگل‌های مستعد با تمرکز بیشتر بر مناطق پرخطر، ایجاد زیرساخت‌های مناسب برای آموزش آتش‌نشانان و در نهایت برنامه‌ریزی برای مبارزه با آتش‌سوزی با هدف کاهش آسیب و حفظ ایمنی ضرورت دارد. هدف این مقاله، مدل‌سازی پتانسیل آتش‌سوزی در مناطق جنگلی با در نظر گرفتن عدم قطعیت ناشی از وزن‌دهی معیارهای مؤثر مکانی است. نوآوری تحقیق حاضر، به‌کارگیری نظریۀ شهود دمسپتر- شافر به‌منظور کاهش عدم قطعیت ناشی از وزن‌دهی معیارها توسط کارشناسان است. در این رویکرد با توجه به در نظر گرفتن توابع باور و موجه بودن و تجمیع توابع سطوح مختلف عدم قطعیت مدیریت می‌شود که با توجه به تعداد زیاد زیرمعیارها می‌تواند بسیار مؤثر باشد. ابتدا معیارهای توپوگرافی، اقلیمی، انسانی و پوشش گیاهی مدنظر قرار گرفت و زیرمعیارهای مربوط شناسایی شد. معیارها و زیرمعیارها در سه سطح تعریف شدند. در سطح اول چهار معیار، در سطح دوم ده زیرمعیار و در سطح سوم بیست‌وهفت زیرمعیار در نظر گرفته شد. همچنین به‌منظور وزن‌دهی معیارهای مؤثر از نظر سی کارشناس استفاده شد. با استفاده از پرسشنامه‌های تکمیل‌شده توسط متخصصان و وزن هر یک از معیارها و زیرمعیارهای مربوط، اوزان نهایی با استفاده از نظریۀ شهود دمپستر- شافر محاسبه شد. نقشة خطر وقوع آتش‌سوزی با استفاده از روش‌های همپوشانی وزن‌دار و با تلفیق لایه‌ها در چهار طبقه گروه‌بندی شد. نتایج نشان داد که مؤثرترین شاخص‌ها در وقوع آتش‌سوزی به‌ترتیب معیار پوشش گیاهی و سپس معیار انسانی است. وزن معیار انسانی 301/0 و وزن پوشش گیاهی 2595/0محاسبه شد. مقایسة نقشة حاصل با آتش‌سوزی‌های رخ‌داده در منطقة پژوهش نشان می‌دهد که طبقات پرخطر و خطرناک همپوشانی زیادی با نقاط حاصل از این تحقیق دارند و مدل پیشنهادی می‌تواند با دقت زیاد وقوع آتش‌سوزی جنگل‌ها و مراتع را پیش‌بینی کند. همچنین آزمون مدل توسط منحنی مشخصة عملکرد سیستم دقت زیاد مدل با مقدار 92 درصد  را نشان داد.
کلیدواژه‌ها
آتش‌سوزی؛ تحلیل؛ عدم قطعیت؛ نظریۀ دمپستر- شافر؛ همپوشانی وزن‌دار
عنوان مقاله [English]
Forest fire risk uncertainty analysis based on Dempster Shafer's theory of evidence (Study area: part of Kermanshah forests)
نویسندگان [English]
Zeinab Neisani Samani1؛ Ali Asghar Alesheikh2؛ Najmeh Neysani Samany3
1Ph.D. Student, Department of GIS, Faculty of Geodesy and Geomatics Engineering, K. N. Toosi University of Technology, Iran
2Department of GIS, Faculty of Geomatics Engineering, K. N. Toosi University of Technology, Tehran, Iran
3Associate Professor, Faculty of Geography, Department of RS and GIS, University of Tehran, Iran
چکیده [English]
Introduction
Every fire accident is accompanied by an uncertainty factor that is caused by human or natural factors. In general, fire hazards are assessed through a variety of predictive models based on the history of large fires. However, researchers and experts point to uncertainty-based fire modeling as one of the challenges to verifying the results. Therefore, the ultimate goal of this paper is to model the fire potential of fire in forest areas by considering the uncertainty due to the weighting of effective spatial criteria based on the Dempster-Shafer Intuition Theory.
The innovation of the present study is the application of the Dempster-Shafer Intuition Theory of intuition to reduce the uncertainty caused by the weight of criteria by experts. The necessity of conducting this research, considering the large number of sub-criteria, is managing uncertainty by using the simultaneous use of belief and justification functions, which highlights the possibility of managing uncertainty due to the importance of fire prediction discussion.
Research Methods
First, the effective criteria along with the sub-criteria related to the review of previous research as well as the opinions of experts were identified; Then, a weighting process was performed using the Dempster-Shafer Intuition Theory. To weigh the effective criteria, the opinions of 30 experts were used. Finally, the weighted overlap of the criteria is done and the desired fire hazard map is prepared. The results are evaluated using the ROC curve.
Determining effective criteria
To identify and determine the effective criteria and sub-criteria, the results of previous researches and experts' opinions were used. Finally, 4 criteria include topography, climate, human, and vegetation were considered. Quantitative criteria such as rainfall, temperature, and distance from residential areas that have a direct impact on fire risk were considered for normalization.
Criteria and sub-criteria were defined at 3 levels. Then, using the opinion of 30 experts, criteria and sub-criteria were ranked at different levels about each other and based on their importance in fire risk based on the characteristics of oak forest basins located in Islamabad west and Hamil cities. Since there is uncertainty in the opinion of experts, Dempster-Shafer's theory of intuition and the rule were used to integrate opinions, eliminate uncertainty and calculate the importance of each of the sub-criteria and criteria in this study.
The theory of intuition and the Dempster-Schaffer rule
This theory is developed by discussing existing beliefs about a situation or a system of situations. As the belief structure of the control theory is related to the classical probability model. Among the introductory concepts of evidence, the following can be noted: Diagnosis framework, Function to belief and justification, Belief range, Laws of the composition of evidence
Research scope
The study area is part of the oak forests of Kermanshah belonging to the west Islamabad and Hamil regions. The climate of this region is temperate Mediterranean and the average annual rainfall is 478 mm. 
Discussion and findings
To implement the proposed research method, the maps of the criteria were prepared. Experts were used for the desired intervals of the sub-criteria and were modified if necessary. The criteria and sub-criteria were ranked about each other at different levels. Finally, using the Dempster-Shafer Intuition Theory, the final weights for the criteria and sub-criteria at each level were calculated. The effective parameters of the second level have been calculated using the existing sub-criteria in the third level. The fire hazard for the research area was classified into 4 different classes. Comparison of the resulting map with fires that occurred in the study area shows that high-risk and dangerous classes have a high overlap with points. The ROC method was also used to evaluate the results. 
Conclusion
In the present study, Dempster-Schaefer's theory of intuitive reasoning was used to eliminate the uncertainty in the opinions of experts and to determine the final weight of the criteria and sub-criteria affecting the fire risk. Criteria and sub-criteria effective in causing fire were determined and then classified at different levels. Then, using weighted overlap methods, the criteria according to the final weight obtained from combining the opinions of experts using Dempster-Shafer Intuition Theory, fire hazard map of oak forests in west Islamabad was obtained. Finally, the obtained hazard map was normalized. Then, according to the mean values and standard deviation of the normalized hazard map, the research area was classified into 4 classes in terms of fire risk. The results showed that the most effective indicators in the occurrence of fire are vegetation and then humans, respectively. Comparison of the resulting map with fires that occurred in the research area shows that high-risk and dangerous classes have a high overlap with points. Also, model testing by the ROC curve shows the high accuracy of the model with a value of 92%.
کلیدواژه‌ها [English]
Modeling, Uncertainty, Fire, Dempster-Shafer, Weighted Overlay
مراجع
  • عباس‌زاده تهرانی، نادیا؛ مروتی، آذر؛ خانبانی، سارا؛ و جانعلی‌پور، میلاد (1400). «ارزیابی عملکرد پردازش تک‌زمانه و چندزمانۀ تصاویر ماهوارۀ لندست 8 مبتنی بر طبقه‌بندی‌کننده‌های ماشین بردار پشتیبان و جنگل‌ تصادفی در پایش آتش‌سوزی جنگل‌ها»، مدیریت مخاطرات محیطی، دورۀ 8، شمارۀ 2، صفحۀ135-119.
  • Beynon, M.; Curry, B.; & Morgan, P. (2000). The Dempster-Shafer theory of evidence: An alternative approach to multicriteria decision modelling, Omega. 28, pp: 37-50. 10.1016/S0305-0483(99)00033-X.
  • Bui, D.; Hoang, N-D.; & Samui, P. (2019). “Spatial Pattern Analysis and Prediction of Forest Fire Using New Machine Learning Approach of Multivariate Adaptive Regression Splines and Differential Flower Pollination Optimization: A case study at La Cai province (Vietnam)”, Journal of Environmental Management, 10.1016/j.jenvman.2019.01.108.
  • Bukhori, S. (2018). Forest Fire Model, 10.5772/intechopen.72591.
  • Castillo Soto, M. (2012). “The identification and assessment of areas at risk of forest fire using fuzzy methodology,” Applied Geography, 35, pp: 199–207. 10.1016/j.apgeog.2012.07.001.
  • Castillo Soto, M.; & Silva, F. (2015). “Quantitative analysis of forest fire extinction efficiency”, Forest Systems, 24. 2171-9845. 10.5424/fs/2015242-06644.
  • Dempster, A. (2008). Upper and Lower Probabilities Induced by a Multivalued Mapping, 10.1007/978-3-540-44792-4_3.
  • Finney, M. (2005). “The challenge of quantitative risk analysis for wildland fire”, Forest Ecology and Management, 211, pp: 97-108. 10.1016/j.foreco.2005.02.010.
  • González, C.; Castillo Soto, M.; Chevesich, P.; & Barrios, J. (2017). “Dempster-Shafer theory of evidence: A new approach to spatially model wildfire risk potential in central Chile”, The Science of the total environment, pp: 613-614. 1024-1030. 10.1016/j.scitotenv.2017.09.105.
  • González-Sanchis, M.; Ruiz-Pérez, G.; Del Campo, A.; García-Prats, A.; Francés, F.; & Lull, C. (2019). “Managing low productive forests at catchment scale: Considering water, biomass and fire risk to achieve economic feasibility”, Journal of Environmental Management, 231. pp: 653-665. 10.1016/j.jenvman.2018.10.078.
  • Khan, M.; & Anwar, S. (2019). “Paradox Elimination in Dempster–Shafer Combination Rule with Novel Entropy Function: Application in Decision-Level Multi-Sensor Fusion”, Sensors, 19. 4810. 10.3390/s19214810.
  • Monjarás-Vega, N.; Briones-Herrera, C.; Vega-Nieva, D.; Calleros-Flores, E.; Corral-Rivas, J. J.; López Serrano, P.; Pompa-García, M.; Rodrı́guez-Trejo, D.; Carrillo-pzrra, A.; González-Cabán, A.; Alvarado, E.; & Jolly, W. (2020). “Predicting forest fire kernel density at multiple scales with geographically weighted regression in Mexico”, Science of The Total Environment, 718. 137313. 1016/j.scitotenv.2020.137313.
  • Murthy, K.; Sinha, S.; Kaul, R., & Vaidyanathan, S. (2019). “A fine-scale state-space model to understand drivers of forest fires in the Himalayan foothills”, Forest Ecology and Management, 432. pp: 902–911. https://doi.org/10.1016/j.foreco.2018.10.009
  • Naderpour, Mohsen; Rizeei, Hossein; Khakzad, Nima; & Pradhan, Biswajeet. (2019). “Forest Fire Induced Natech Risk Assessment: A Survey of Geospatial Technologies”, Reliability Engineering & System Safety, 191. 106558. 10.1016/j.ress.2019.106558.
  • Novković, Ivan; Goran, B.; Markovic, Goran; Lukic, Djordje; Dragicevic, Slavoljub; Milosevic, Marko; Djurdjic, Snezana; Samardžić, Ivan; Lezaic, Tijana; & Tadic, Marija. (2021). “GIS-Based Forest Fire Susceptibility Zonation with IoT Sensor Network Support: Case Study-Nature Park Golija”, Sensors (Basel, Switzerland). 21. 10.3390/s21196520.
  • Ngoc-Thach, N.; Dang Ngo, T.; Pham, X-C.; Nguyen, H-Th.; Bui, H.; Hoang, N-D.; & Bui, D. (2018). “Spatial Pattern Assessment of Tropical Forest Fire Danger at Thuan Chau area (Vietnam) using GIS-Based Advanced Machine Learning Algorithms: A comparative study”, Ecological Informatics, 46. 10.1016/j.ecoinf.2018.05.009.
  • Pique, M.; Olabarria, J.; & Reynolds, K. (2019). Strategic and tactical planning to improve suppression efforts against large forest fires in the Catalonia region of Spain, Forest Ecology and Management, 432. 612-622. 10.1016/j.foreco.2018.09.0.
  • Pourghasemi, Hamid (2015). “GIS-based forest fire susceptibility mapping in Iran: A comparison between evidential belief function and binary logistic regression models”, Scandinavian Journal of Forest Research, 31. 10.1080/02827581.2015.1052750.
  • Preisler, H.; & Ager, A. (2013). Forest-fire models. Encyclopedia of Environmetrics. 3.
  • Rathman, J.; Yang, Ch.; & Zhou, H. (2018). “Dempster-Shafer theory for combining in silico evidence and estimating uncertainty in chemical risk assessment”, Computational Toxicology, 6. 10.1016/j.comtox.2018.03.001.
  • Razavi-Termeh, Seyed Vahid; Sadeghi-Niaraki, Abolghasem; & Choi, Soo-Mi (2020). “Ubiquitous GIS-Based Forest Fire Susceptibility Mapping Using Artificial Intelligence Methods”, Remote Sensing, 12. 1689. 10.3390/rs12101689.
  • Sentz, K.; & Ferson, S. (2002). Combination of Evidence in Dempster-Shafer Theory. 10.2172/800792.
  • Srivastava, R.; Mock, Th.; & Gao, L. (2011). “The Dempster‐Shafer Theory: An Introduction and Fraud Risk Assessment Illustration”, Australian Accounting Review, 21. 282 - 291. 10.1111/j.1835-2561.2011.00135.x.
  • Sivrikaya, Fatih; & Kucuk, Omer (2021). “Modeling forest fire risk based on GIS-based analytical hierarchy process and statistical analysis in Mediterranean region”, Ecological Informatics, 68. 101537. 10.1016/j.ecoinf.2021.101537.
  • Valizadeh kamran, K.; Omrani, K.; & Khosroshahi, S. (2014). “Forest Fire Risk Assessment Using MultiCriteria Analysis: A Case Study Kaleybar Forest”.
  • Wang, J.; Qiao, K.; Zhang, Zh.; & Xiang, F. (2017). “A new conflict management method in Dempster–Shafer theory”, International Journal of Distributed Sensor Networks, 13. 155014771769650. 10.1177/1550147717696506.
  • Zadeh, Lotfi; & Ralescu, Anca (2013). On the Combinality of Evidence in the Dempster-Shafer Theory.
  • Zhao, Pengcheng; Zhang, Fuquan; Lin, Haifeng; & xu, Shuwen. (2021). “GIS-Based Forest Fire Risk Model: A Case Study in Laoshan National Forest Park”, Remote Sensing, 13. 3704. 10.3390/rs13183704.
  • Zheng, Zhong; Gao, Yanghua; Yang, Qingyuan; Zou, Bin; Xu, Yongjin; Chen, Yanying; Yang, Shiqi; Wang, Yongqian; & Wang, Zengwu (2020). “Predicting forest fire risk based on mining rules with ant-miner algorithm in cloud-rich areas”, Ecological Indicators, 118. 106772. 10.1016/j.ecolind.2020.106772.
آمار
تعداد مشاهده مقاله: 344
تعداد دریافت فایل اصل مقاله: 172


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب